Contexte Dans un contexte industriel critique, nous accompagnons un acteur majeur du secteur défense dans la transformation de ses outils de prévision logistique et industrielle.L'enjeu principal : fiabiliser les dates de livraison (Estimated Delivery Date - EDD) sur des flux complexes (pièces de rechange, réparation, overhaul), afin de réduire les écarts, stabiliser les engagements clients et améliorer la performance opérationnelle globale.Vous intervenez sur un projet à fort impact business, où les prédictions alimentent directement des engagements contractuels et des SLA clients.Objectifs du projetRéduire significativement l'erreur de prévision des dates de livraisonLimiter la volatilité des dates communiquées aux clients (« date flapping »)Introduire des modèles probabilistes et data-driven en remplacement de règles déterministes classiquesApporter de la transparence et de la confiance sur les engagements de livraisonContribuer à une performance On-Time Delivery (OTD) ≥ 90 %Vos missionsEn tant que Data Scientist Senior, vous serez responsable de la conception, du développement et de l'optimisation de modèles de prévision avancés.Data Science & ModélisationConcevoir des modèles de régression avancés pour la prédiction de délais (EDD)Mettre en œuvre des approches probabilistes (quantile regression, distributions de probabilité)Exploiter des modèles tree-based (XGBoost, LightGBM, CatBoost)Étudier et implémenter, si pertinent, des architectures Deep Learning temporelles (TFT, RNN spécialisés)Développer des modèles time-to-event / survival analysis pour modéliser les durées entre étapes industriellesFeature Engineering & Data QualityTransformer des signaux bruts complexes en variables à forte valeur ajoutée :encodage temporel cycliquegestion de variables à forte cardinalité (IDs, références pièces)pondération backlog / charge industrielleTravailler sur des données industrielles réelles, bruitées et hétérogènes Performance & IndustrialisationConcevoir des fonctions de coût personnalisées (pénalisation asymétrique des retards)Optimiser l'inférence pour garantir des temps de réponse compatibles avec des usages temps réelParticiper aux choix d'architecture pour un déploiement robuste en productionContribuer à l'interprétabilité des modèles (SHAP, LIME)